Yapay Zeka ile Veri Analizi Nasıl Yapılır?

Yapay zeka ile veri analizi nasıl yapılır?

Yapay zeka ile veri analizi, pratikte iki farklı işi ifade ediyor ve karıştırılınca yanlış beklenti kuruluyor.

Birincisi soruyu sorguya çevirmek: "geçen ay hangi ürün en çok iade edildi" gibi bir soruyu veritabanı sorgusuna dönüştürüp sonucu getirmek. Bu iş modelin gerçekten iyi yaptığı bir iş, çünkü ortada dil çevirisi var.

İkincisi sonucu yorumlamak: gelen tablodan ne anlam çıkacağını yazmak. Bu iş daha riskli, çünkü model verinin nasıl toplandığını ve hangi tuzakları taşıdığını bilmiyor.

İşleyen kurgu şu: sayıyı sistem hesaplar, model sadece soruyu sorguya çevirir ve sonucu okunur hâle getirir. Model hesap yapmaya başladığı anda güven düşer, çünkü aritmetiği kontrol edilemez.

Veri analizi yapabilen yapay zeka nedir?

Veri analizi yapabilen yapay zeka, doğal dilde sorulan soruyu veriye erişebilen bir sorguya çeviren ve sonucu anlaşılır biçimde sunan sistemdir. Kendi başına bir program değil, bir dil modelinin veri kaynağınıza bağlanmış hâli.

Üç parçadan oluşuyor:

• Veri kaynağı: veritabanı, tablo veya veri ambarı
• Model: soruyu sorguya çeviren ve sonucu yorumlayan katman
• Şema bilgisi: hangi tabloda ne olduğu, alanların ne anlama geldiği

Üçüncü parça en belirleyicisi ve en çok atlanan. Model, alan adlarının ne anlama geldiğini bilmiyorsa yanlış tabloyu sorgular ve teknik olarak çalışan ama anlamsız bir sonuç üretir. "ciro" alanının KDV dahil mi hariç mi olduğunu bilmeyen bir sistem, doğru görünen yanlış bir rakam verir.

Veri analizi için hangi programlar kullanılır?

Kullanılan araçlar üç gruba ayrılıyor ve hangi grubun uygun olduğu verinizin nerede durduğuna bağlı.

• Genel amaçlı yapay zeka araçları: ChatGPT ve benzerleri. Yüklediğiniz dosyayı analiz eder, grafik üretir, kod yazar. Tek seferlik analiz ve keşif için pratik
• İş zekâsı araçlarının yapay zeka özellikleri: Power BI, Looker, Metabase gibi araçların doğal dil sorgulama katmanları. Veri zaten oradaysa en az sürtünmeli yol
• Kendi kurduğunuz düzen: veritabanınıza bağlı bir model, üstünde bir arayüz. En fazla kontrol, en fazla kurulum işi

Geleneksel araçlar (Excel, SQL, Python) ortadan kalkmıyor, altta çalışmaya devam ediyor. Yapay zeka onların yerine geçmiyor, onlara erişimi kolaylaştırıyor. SQL yazmayı bilmeyen bir yönetici artık soru sorabiliyor, ama sorunun cevabını hâlâ SQL üretiyor.

Yapay zeka hangi analiz işlerinde güvenilir?

Yapay zeka, veri analizinde dil işi olan her yerde güvenilir. Ortada hesap değil çeviri veya özetleme varsa isabet yüksek oluyor.

Güvenle bırakılabilecek işler:

• Soruyu sorguya çevirmek: doğal dildeki soruyu SQL'e dönüştürmek
• Serbest metni sınıflandırmak: müşteri yorumlarını konuya göre gruplamak, memnuniyet yönünü belirlemek
• Metinden veri çıkarmak: belgelerden tutar, tarih, taraf bilgisi almak
• Özetlemek: uzun raporu veya çok sayıda yorumu okunur hâle getirmek
• Anlatı yazmak: hesaplanmış rakamları rapor diline çevirmek
• Kod yazmak: analiz için gereken sorgu veya betiği hazırlamak

Bu işlerin ortak yönü, çıktının kontrol edilebilir olması. Ürettiği sorguyu okuyup doğru olup olmadığını görebilirsiniz, ürettiği sınıflandırmayı örnekleme yaparak denetleyebilirsiniz.

Yapay zeka hangi analiz işlerinde güvenilmez?

Yapay zeka, sayısal işlemi kendi yaptığı her yerde güvenilmez. Emin bir tonla yanlış rakam verebilir ve bu, hiç cevap vermemesinden daha tehlikeli.

Güvenilmediği işler:

• Aritmetik: toplama, ortalama, yüzde hesabı. Bunlar veritabanına yapılmalı, modele değil
• Nedensellik: iki şeyin birlikte hareket etmesinden neden sonuç çıkarmak
• Eksik veriyi tamamlamak: olmayan veriyi makul görünen bir değerle doldurmak
• Küçük örneklemden genelleme: on müşteri yorumundan pazar eğilimi çıkarmak
• Kaynağını bilmediği rakamı doğrulamak

En sık yaşanan hata birincisi. Model, sorgu sonucunda gelen sayıları kendi kafasında toplayıp yanlış bir toplam yazabiliyor. Doğru kurgu, bütün hesabı veritabanına yaptırmak ve modele sadece sonucu göstermek. Bir sayıyı model hesapladıysa, o sayıya güvenilmez.

Şirket verisini yapay zekaya vermek güvenli mi?

Cevap, verinin nereye gittiğine ve orada ne olduğuna bağlı. Kişisel veri veya müşteri verisi işleniyorsa bu soru teknik bir soru değil, hukuki bir soru.

Karar öncesi netleşmesi gerekenler:

• Veri hangi sağlayıcıya gidiyor ve hangi ülkede işleniyor
• Sağlayıcı veriyi model eğitiminde kullanıyor mu, kurumsal planlarda genelde kullanmıyor ama bu sözleşmede yazılı olmalı
• Veri ne kadar süre saklanıyor
• Kişisel veri varsa hukuki dayanak ne, aydınlatma yapıldı mı

Risk azaltan pratikler: analiz öncesi kimlik bilgilerini kaldırmak veya maskelemek, modele ham veri yerine toplu (agrege) veri göstermek, hassas alanları hiç göndermemek ve kurumsal planları kullanmak.

En hassas veriler için seçenek, modeli kendi altyapınızda çalıştırmak. Bu, kalite açısından bir miktar ödün ama verinin hiç dışarı çıkmaması anlamına geliyor. Sağlık ve finans tarafında bu tercih çoğu zaman zorunlu oluyor.

Excel yerine yapay zeka kullanmak mantıklı mı?

Yapay zeka Excel'in yerine geçmiyor, Excel'e erişimi kolaylaştırıyor. Hesabı hâlâ tablo yapıyor, model sadece ne hesaplanacağını ve sonucun ne anlama geldiğini konuşuyor.

Yapay zekanın gerçekten fark yarattığı noktalar:

• Formül yazmak: karmaşık bir formülü tarif edip yazdırmak
• Veri temizlemek: karışık formatlı sütunları düzenlemek
• Analiz fikri: bu veriye hangi soruların sorulabileceğini çıkarmak
• Anlatı: tablodaki sonucu yönetime sunulacak dile çevirmek

Buna karşılık, aynı analizi her ay elle tekrarlıyorsanız asıl sorun Excel değil, sürecin otomatikleşmemiş olması. Orada çözüm yapay zeka değil, veriyi otomatik toplayan bir akış.

Pratik ölçü şu: analiz tek seferlikse yapay zeka destekli Excel yeterli. Aynı analiz her ay tekrarlanıyorsa, o iş bir otomasyona dönüşmeli ve yapay zeka o akışın içinde tek bir adım olmalı.

Raporlamayı otomatikleştirmek nasıl olur?

Raporlama otomasyonu, verinin toplanmasından raporun ilgili kişiye ulaşmasına kadar zinciri kurmak demek. Yapay zeka bu zincirin sadece bir halkası, en önemli halkası değil.

Zincirin adımları:

• Toplama: farklı sistemlerden verinin her gün otomatik çekilmesi
• Birleştirme: aynı müşterinin iki sistemdeki kaydının eşleştirilmesi
• Hesap: rakamların veritabanında hesaplanması, modelde değil
• Yorum: sapmaların tespiti ve okunur bir özet yazılması
• Dağıtım: raporun doğru kişiye doğru zamanda gitmesi
• Uyarı: eşik aşıldığında rapor beklenmeden bildirim çıkması

Yapay zeka dördüncü adımda gerçek değer üretiyor: rakamları yönetim diline çeviriyor. Ama birinci ve ikinci adım olmadan bu hiçbir işe yaramıyor, çünkü model yanlış veriye bakıp güzel bir özet yazıyor. Raporlamada emeğin çoğu, güzel özet üretmeye değil veriyi güvenilir hâle getirmeye gidiyor. Veri tarafındaki çalışmalarımızı bu sıraya göre kurguluyoruz.

Veri analitiği için ekipte hangi yetkinlik gerekir?

Bir kişinin hem veriyi hem işi bilmesi, iki kişinin ayrı ayrı bilmesinden daha değerli. Aranan yetkinlik, gelişmiş matematik değil doğru soruyu sorma becerisi.

Gerekli olanlar:

• Verinin nasıl toplandığını bilmek: hangi alan ne zaman doluyor, hangi kayıt neden eksik
• Temel SQL: modelin ürettiği sorguyu okuyup doğru olup olmadığını görebilmek
• İş bilgisi: çıkan rakamın makul olup olmadığını hissedebilmek
• Şüphecilik: emin görünen bir çıktıyı sorgulama alışkanlığı

Üçüncü madde en kritik. "Bu ay iade oranı yüzde 40" çıktısını gördüğünde "bu imkânsız, bir şey yanlış" diyebilen kişi, en iyi modelden daha değerli. Yapay zeka yanlış sonucu güzel yazdığı için, yanlışı yakalayacak kişi süreçte olmak zorunda.

Bu yüzden veri analitiği yetkinliğini teknik ekipte değil, işi bilen ekipte kurmak daha hızlı sonuç veriyor. Kurum içi programlarımızı bu mantıkla kurguladık.

Nereden başlanmalı?

Doğru başlangıç, araç seçmek değil tekrarlanan bir soruyu bulmak. Her ay birinin elle hazırladığı bir rapor varsa, ilk iş oradadır.

İşleyen sıra şu:

• Her ay elle hazırlanan raporlardan birini seçin ve hazırlayan kişinin adımlarını yazın
• Verinin hangi sistemlerden geldiğini ve nasıl birleştirildiğini netleştirin
• Toplama ve hesap adımlarını otomatikleştirin, bu kısımda yapay zeka kullanmayın
• Sonuç doğrulandıktan sonra üstüne özet ve sapma yorumu katmanını ekleyin
• Bir ay boyunca elle hazırlanan raporla karşılaştırıp tutarlılığı ölçün

Üçüncü ve dördüncü maddenin sırası önemli. Rakamlar doğrulanmadan yorum katmanı eklenirse, sistem güzel yazılmış yanlış raporlar üretmeye başlıyor ve buna bir kere güven kaybedildiğinde geri kazanmak çok zor oluyor. Kendi verinizle nereden başlanacağını konuşmak isterseniz bize yazabilirsiniz.